This chapter will introduce you to NLP, some of its use cases such as named-entity recognition and AI-powered chatbots. You’ll learn how to use the powerful spaCy library to perform various natural language processing tasks such as tokenization, sentence segmentation, POS tagging, and named entity recognition.

Natural Language Processing (NLP) basics

Doc container in spaCy

NER use case

Tokenization with spaCy

spaCy basics

Running a spaCy pipeline

Lemmatization with spaCy

Sentence segmentation with spaCy

Linguistic features in spaCy

POS tagging with spaCy

NER with spaCy

Text processing with spaCy

Introduction to NLP and spaCy

Learn about linguistic features, word vectors, semantic similarity, analogies, and word vector operations. In this chapter you’ll discover how to use spaCy to extract word vectors, categorize texts that are relevant to a given topic and find semantically similar terms to given words from a corpus or from a spaCy model vocabulary.

Fitur linguistik

Opsi

POS tagging

Dependency parsing

Named-entity recognition

Anotasi linguistik di spaCy

Disambiguasi makna kata dengan spaCy

Dependency parsing dengan spaCy

Pengantar word vector

Kosakata spaCy

Vektor kata dalam kosakata spaCy

Vektor kata dan spaCy

airplane - air + ship = ?

fish - sea + bird = ?

arm - human + branch = ?

Analogi dan operasi vektor

Proyeksi word vectors

Kata-kata serupa dalam sebuah kosakata

Mengukur kesamaan semantik dengan spaCy

Kesamaan Doc dengan spaCy

Kemiripan Span dengan spaCy

Kemiripan semantik untuk mengategorikan teks

spaCy Linguistic Annotations and Word Vectors

Get familiar with spaCy pipeline components, how to add a pipeline component, and analyze the NLP pipeline. You will also learn about multiple approaches for rule-based information extraction using EntityRuler, Matcher, and PhraseMatcher classes in spaCy and RegEx Python package.

spaCy pipelines

Adding pipes in spaCy

Analyzing pipelines in spaCy

spaCy EntityRuler

EntityRuler with blank spaCy model

EntityRuler for NER

EntityRuler with multi-patterns in spaCy

RegEx with spaCy

RegEx in Python

RegEx with EntityRuler in spaCy

spaCy Matcher and PhraseMatcher

Matching a single term in spaCy

PhraseMatcher in spaCy

Matching with extended syntax in spaCy

Data Analysis with spaCy

Explore multiple real-world use cases where spaCy models may fail and learn how to train them further to improve model performance. You’ll be introduced to spaCy training steps and understand how to train an existing spaCy model or from scratch, and evaluate the model at the inference time.

Customizing spaCy models

Training spaCy models

Model performance on your data

spaCy training data format

Training steps

Annotation and preparing training data

Compatible training data

Training with spaCy

Training preparation steps

Train an existing NER model

Training a spaCy model from scratch

Wrap-up

Customizing spaCy Models

corona.json

Pelajari spaCy, pustaka NLP standar industri yang berkembang pesat, untuk tugas seperti tokenization, parsing, dan named entity recognition. Kuasai operasi inti, gunakan kelas seperti Doc dan Token, serta latih model. Ekstrak istilah dengan pencocokan pola, buat komponen pipeline kustom, dan tangani contoh dunia nyata untuk proyek NLP Anda.


<h2>Kenalkan spaCy, standar industri untuk Pemrosesan Bahasa Alami (NLP).</h2>
Dalam kursus ini, Anda akan belajar cara menggunakan spaCy, perpustakaan standar industri yang berkembang pesat, untuk melakukan berbagai tugas pemrosesan bahasa alami (NLP) seperti tokenisasi, pemisahan kalimat, parsing, dan pengenalan entitas bernama. spaCy dapat menyediakan fitur-fitur yang kuat, mudah digunakan, dan siap untuk produksi dalam berbagai tugas pemrosesan bahasa alami.

<h2>Pelajari Operasi Dasar spaCy</h2>
Anda akan memulai dengan mempelajari operasi inti spaCy dan cara menggunakannya untuk memproses teks dan mengekstrak informasi dari data yang tidak terstruktur. Kemudian, Anda akan bekerja dengan kelas-kelas spaCy, seperti Doc, Span, dan Token, serta mempelajari cara menggunakan berbagai komponen spaCy untuk menghitung vektor kata dan memprediksi kesamaan semantik.

<h2>Latih Model spaCy dan Pelajari Tentang Pencocokan Pola</h2>
Anda akan berlatih menulis pola pencocokan sederhana dan kompleks untuk mengekstrak istilah dan frasa yang diberikan menggunakan EntityRuler, Matcher, dan PhraseMatcher dari data yang tidak terstruktur. Anda juga akan belajar cara membuat komponen pipeline kustom dan membuat data pelatihan/evaluasi. Dari sana, Anda akan mempelajari cara melatih model spaCy dan bagaimana menggunakannya untuk inferensi. Selama kursus ini, Anda akan bekerja dengan contoh-contoh nyata dan memperkuat pemahaman Anda tentang penggunaan spaCy dalam proyek NLP Anda sendiri.


Supervised Learning with scikit-learn

Python Toolbox

Kuasi operasi inti spaCy dan latih model NLP. Ekstrak info dari data tak terstruktur dan cocokkan pola.

Pemrosesan Bahasa Alami dengan spaCy

Kuasai operasi inti spaCy dan latih model untuk pemrosesan bahasa alami. Ekstrak informasi dari data tidak terstruktur dan cocokkan pola.

Fitur linguistik

Create Your Free Account